机器学习衍生的临床决策算法用于诊断患有原发性副甲状腺功能过高的患者的副甲状腺功能过高的诊断

科学领域:

• 内分泌学 在内分泌学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 初级副甲状腺症 (PHPT) 管理依赖于高功能的副甲状腺腺体的准确的手术前定位.
• 目前的局部化方法可能是有限的,影响手术规划和结果.

研究的目的:

• 开发和验证一种机器学习衍生的临床决策算法 (MLCDA),用于诊断功能过高的甲状腺腺.
• 利用手术前变量来改善PHPT患者的手术规划.

主要方法:

• 一项对458名PHPT患者进行的回顾性研究,这些患者接受了4D-CT和sestamibi SPECT/CT (MIBI).
• 采用随机森林算法从16个评估参数中选择最佳预测变量.
• 经过训练,MLCDA可以根据图像和实验室数据的结合预测高功能腺体的概率.

主要成果:

• MLCDA确定了三个关键预测因素:来自4D-CT/MIBI的敏感和特定读数,以及血清和副甲状腺激素水平的产物.
• 该算法在训练 (0.91) 和验证 (0.90) 集中都获得了极好的准确性.
• MLCDA将腺功能分为五个概率类别,证明了高诊断性能.

结论:

• 机器学习可以产生强大的临床决策算法,用于诊断功能过高的副甲状腺腺.
• 开发的MLCDA准确地预测了腺状况,促进了手术前定位和手术规划的改进.
• 这种工具可以提高诊断的确定性,并集成到放射学报告中进行手术指导.